|
|
Квантование вектораКвантование вектора классическое квантование метод от обработка сигнала позволяет моделирование функций плотности вероятности распределением векторов прототипа. Оно первоначально было использовано для уплотнений данных. Оно работает путем разделять большой комплект пунктов (векторы) в группы имея приблизительно такое же число пунктов самых близких к им. Представляют каждую группу своим centroid пункт, как внутри k-намеревает и некоторое другое связывать алгоритмы. Свойство плотности сопрягая квантования вектора мощно, специально для определять плотность больших и высок-проставленных размеры данных. В виду того что частные значения представлены индексом их самое близкое centroid, общ происходя данные имеют низкую ошибку, и ошибку редких данных высокую. This is why VQ целесообразно для уплотнений данных lossy. Его можно также использовать для коррекции данным по lossy и оценка плотности. Квантование вектора основано на конкурсный учить парадигма, поэтому близко отнесены к self-organizing карта модель.
ТренировкаПросто алгоритм тренировки для квантования вектора является следующим:
Более изощренный алгоритм уменьшает смещение в оценке плотности сопрягая, и обеспечивает что все пункты использованы, путем вклюать экстренный параметр чувствительности:
Желательно использовать охлаждая план-график для того чтобы произвести схождение: см. Сымитированный отжиг. Алгоритм может итеративно быть уточнен с данными «в реальном маштабе времени», rather than путем выбирать случайно пункты от комплекта данных, но это введет некоторое смещение если данные височно сопоставлены над много образцов. ПримененияКвантование вектора использовано для уплотнений данных lossy, коррекции данным по lossy и оценки плотности. Коррекция данным по Lossy, или прогноз, использованы для того чтобы взять данные пропуская от некоторых размеров. Оно сделано путем считать самую близкую группу с размерами данных имеющеся, после этого предсказывающ результат основанный на значениях для пропавших размеров, предполагая они будут иметь такое же значение как центроида группы. Для оценка плотности, OBLASTь/том которая closer to определенная центроида чем к любому другому обратно пропорциональна к плотности (из-за свойства плотности сопрягая алгоритма). Польза в уплотнений данныхVector также вызванное квантование, «квантованием блока» или «квантование отождествления» часто использовано внутри уплотнений данных lossy. Оно работает путем шифровать значения от многомерного космос вектора в небесконечный комплект значений от дискретного подпространство более низкого размера. Вектор низк-космоса требует меньше складского помещения, поэтому данные обжаты. Спасибо свойство плотности сопрягая квантования вектора, compressed данные имеют ошибки которые обратно пропорциональны к их плотности. Преобразование обычно сделано мимо проекция или путем использование a codebook. In some cases, codebook можно также использовать к Кодий энтропии дискретное значение в таком же шаге, путем производить a закодированное приставка variable-length зашифрованное значение как свой выход. Комплект дискретных уровней амплитуды quantized совместно rather than каждый образец quantized отдельно. Рассматривайте a K- габаритный вектор [x1,x2,...,xk] уровней амплитуды. Оно обжато путем выбирать почти сопрягая вектор от комплекта N- габаритные векторы [y1,y2,...,yn]. Все по возможности комбинации N- габаритный вектор [y1,y2,...,yn] сформируйте codebook. Блок-схема: Просто квантователь вектора показан ниже
Твиновское квантование вектора (VQF) часть MPEG-4 стандартный dealing with временный интервал утяжелил interleaved квантование вектора. Видео- codecs основанные на квантовании вектораЭтот список неполно; вы можете помочь мимо расширять его.
и старые варианты своих духовных продолжателей:
Superseded семьей MPEG. Тональнозвуковые codecs основанные на квантовании вектораЭтот список неполно; вы можете помочь мимо расширять его.
См. также
Часть этой статьи первоначально была основана на материале от Свободно On-line словарь вычислять и использует с позволение под GFDL. СправкиВнешние соединения
|
Creative Commons Licence